一种基于深度学习的低误检率窃电检测方法技术

本发明专利技术提供一种基于深度学习的低误检率窃电检测方法，所述方法从计量自动化系统中采集用户的电力消费数据，然后根据稽查结果为每个用户添加是否窃电的标签，以有窃电行为的用户建立窃电行为数据集，同时构建基于卷积神经网络和残差网络的窃电检测模型。以建立的窃电行为数据集为基础，采用两阶段训练方法对窃电检测模型进行训练，确定窃电检测模型的权重参数，得到低误检率的窃电检测模型，再用训练好的低误检率窃电检测模型对用户电力消费数据进行窃电检测，实现开发成本小、高准确率的检测方式。测方式。测方式。

【技术实现步骤摘要】
一种基于深度学习的低误检率窃电检测方法


[0001]本专利技术涉及电力系统检测领域，尤其涉及一种基于深度学习的低误检率窃电检测方法。

技术介绍

[0002]窃电是指使用恶意或欺诈手段避免为用电付费，每年给电力公司造成大量损失。对于电力公司而言，使用人工稽查来防止电力盗窃不仅效率低下，而且增加了人工成本。目前，许多新的电力盗窃检测系统已经实现了电力盗窃的自动检测。这些检测方案可以分为两类:面向数据的检测方案和面向网络的检测方案。面向网络的方法通过对电力网络的物理规则或传感器数据的分析来检测电力盗窃，比如一些状态估计方法和基于传感器的网络方法，然而，面向网络的窃电检测方法往往成本更高，因为它依赖于电力网络的拓扑信息且通常需要特定的传感器。相比之下，面向数据的方法往往只使用与消费者相关的数据(例如能源消耗、消费者类型等)，开发成本很小，特别是随着高级计量设施如计量自动化系统的建立，使消费数据的种类和分辨率都得到了很大提高，有力地支撑了数据驱动窃电检测技术的发展。
[0003]然而，基于数据方法的前提是隐含一个假设：正常用户的用电量具有平稳性和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的低误检率窃电检测方法，其特征在于，包括以下步骤：S1：采集用户的电力消费数据，建立窃电行为数据集；S2：构建基于卷积神经网络和残差网络的窃电检测模型；S3：采用两阶段训练方法确定窃电检测模型的权重参数，得到低误检率的窃电检测模型；S4：对用户电力消费数据进行窃电检测。2.根据权利要求1所述的基于深度学习的低误检率窃电检测方法，其特征在于，所述窃电检测模型包括特征提取网络和二分类神经网络；所述特征提取网络与所述二分类神经网络连接。3.根据权利要求2所述的基于深度学习的低误检率窃电检测方法，其特征在于，所述特征提取网络与所述二分类神经网络的连接采用全局最大值池化连接。4.根据权利要求2所述的基于深度学习的低误检率窃电检测方法，其特征在于，所述特征提取网络包括若干个堆叠的残差块；所述残差块包括双重卷积层和最大值池化层；所述双重卷积层与最大值池化层连接。5.根据权利要求2所述的基于深度学习的低误检率窃电检测方法，其特征在于，所述二分类神经网络的隐藏层为全连接单隐藏层。6.根据权利要求2所述的基于深度学习的低误检率窃电检测方法，其特征在于，所述窃电检测模型还包括两层Dropout层；所述Dropout层分别位于特征提取网络与二分类神经网络之间和二分类神经网络的隐藏层与输出层之间。7.根据权利要求1所述的基于深度学习的低误检率...

【专利技术属性】
技术研发人员：周毅波，江革力，李金瑾，陈珏羽，卿柏元，蒋雯倩，黄柯颖，林秀清，唐志涛，李刚，颜丹丹，潘俊涛，韦杏秋，包岱远，周政雷，
申请(专利权)人：广西电网有限责任公司，
类型：发明
国别省市：